基于图像分割的快速人脸定位方法

16 基于图像分割的快速人脸定位方法 徐 健 （西安电子科技大学 通信工程学院，陕西 西安 710071） 摘 要 针对图像中人脸部分比非人脸部分小得多的情况,设计了分类器专门用于人脸的粗定位。该分类器 算法的主要步骤是，先对图像进行预处理，再使用 OAC 滤波器滤波，最后使用阈值分割法将图像分割为人脸区域、 可能人脸区域和非人脸区域 3部分。为人脸细定位算法减少了计算量，增加了准确率。对 CMU 数据库中的图像进 行测试，非人脸区域的排除率能达到 99％，误检率仅有 1.3%。实验结果证明了该算法的有效性和可靠性。 关键词 人脸定位；OAC 滤波器；训练；局部直方图均衡；图像分割 中图分类号 TP391.41 Fast Face Detection Based on Image Segmentation Xu Jian (School of Telecommunications Engineering, Xidian University, Xi′ an 710071, China) Abstract Face detection is the first step of face recognition. This paper discusses the classifier based on the observation that presence probability of “face” objects in a scene is substantially smaller compared with that of “non-face” objects. The main processes of the algorithm are: to preprocess the image first and then filter in Fourier transform domain by OAC and finally segment the image into ”face” area, “may-be face” area and “none-face” area. The algorithm reduces the computation of the second level classifier and increases the detection rate. The testing of CMU face database show that the algorithm successfully segments the image with a “non-face” rejecting rate of 99% and a false alarm rate of 1.3％. The experiment results confirm the algorithms’ effectiveness and reliability. Keywords Face detection; OAC filter; training template; local histogram equalization; image segmentation 人脸定位是人脸识别的第一步，定位的准确程 度直接关系到识别的准确程度。人脸定位主要解决 的问题是解决图像中是否有人脸，有几个人脸，并 找到人脸的位置。 人脸定位的核心是分类器的设计。现存的分类 器大体可以分为 4种[1]：基于规则的人脸定位方法， 基于特征的人脸定位方法，模板匹配的人脸定位方 法和基于像的人脸定位方法。基于规则的人脸定 位方法[2]是以先验知识为基础来制定分类规则。基 于特征的人脸定位方法[3]是通过检测出不同的人脸 面部特征的位置，然后根据它们之间的空间几何关 系来定位人脸。模板匹配的人脸定位方法[4～5]是利 用模板在待处理图像中作相关运算，寻找相关系数 收稿日期：2005-09-05 作者简介：徐健（1981—），女，硕士研究生。研究方向： 人工智能。 大的区域。模板是通过一定的算法训练产生的，见 文献[6]。基于表像的人脸定位方法是首先通过学习， 在大量训练样本集的基础上建立一个能对人脸和 非人脸进行正确识别的分类器，然后对被检测图像 进行扫描，得到人脸区域。 最近，出现了很多新的人脸定位方法专门针对 待定位图像中人脸部分比非人脸部分小得多的情 况[7]。先使用第一个分类器进行粗定位，得到可能 包含人脸的区域，然后再用第二个分类器在这个区 域内进行细定位，得到人脸的准确位置。这种方法 不但可以增大定位的准确率，还可以大大减少计算 量。 这里针对以上方法提出一种新的粗定位算法。 利用一种新的滤波器，OAC（Optimal Adaptive Correlator）滤波器。使用这种滤波器可以将图像分 为：人脸区域、可能是人脸的区域和非人脸区域。 电子科技 2006年第 4期（总第 199期） 基于图像分割的快速人脸定位方法 电子科技/2006年 4月 15日 17 使用这个算法后可以利用现有的人脸准确定位的 算法在人脸区域和可能是人脸的区域进行分类就 可以找到准确的人脸位置。 1 算法 该算法的框图如图 1所示。 先对输入图像进行预处理，得到局部化的 图像。然后将傅里叶变换后的图像通过OAC滤波器， 再进行傅里叶反变换得到相关图。相关图中比较明 显的灰度峰值处就是可能人脸区域。使用Matlab仿 真可以看到一处集中的白点区域就是可能人脸区 域。再经过图像分割就得到最终定位结果。 2 人脸定位算法 2.1 图像预处理 原始图像如图 2所示，OAC滤波器[8]需要图像 各区域具有相似的能量谱。为了达到这一目的，使 用局部直方图均衡化（local histogram equalization） 的方法。局部直方图均衡化使用 n×n的窗口在图像 内移动，对窗口内的图像区域做直方图均衡化处 理。n的大小直接影响到定位的准确率。 2.2 OAC 滤波器 OAC滤波器的表达式为： 2 , * |),(|/)(),( yxbgyxyx ffVffTffH = T是人脸模板的傅里叶变换， bgV 为输入图像背 景的频谱，*表示傅里叶变换的共轭。 xf 和 yf 表示 傅氏变换后的两个坐标。但是 bgV 必须要通过整个 图像才能获得，所以做近似处理，OAC滤波器的表 达式为： 2( , ) ( , ) /( | ( , ) | )x y x y x yH f f T f f V f fω= ⊗ 其中 V 表示输入图像的傅里叶变换，ω表示 5×5 的矩形窗，⊗表示卷积运算。设 OAC 滤波器 的输出图像为 ),( yx ffR ，经过傅里叶反变换后的 图像为 ),( yxc 为相关图像如图 4所示，可以看出图 中有一处较集中的白点区域即可能人脸区域。 2.3 图像分割 分割图像的表达式为： 输入图像 预处理 FFT 分割区域 反 FFT OAC滤波 输出图像 图 1 算法流程图 图 2 输入图像 图 3 局部直方图均衡化结果化 图 4 相关图像 基于图像分割的快速人脸定位方法 IT Age/ Apr. 15, 2006 18 ⎪⎩ ⎪⎨ ⎧ = 255 127 0 ),( yxs ( , ) Thr Thr ( , ) Thr Thr ( , ) L L h h c x y c x y c x y < < ≤ > ),( yxc 中灰度大于Thrh的为非人脸区域，灰度介 于 ThrL 和 Thrh之间是可能人脸区域，灰度小于 ThrL的是人脸区域。Thrh和ThrL的具体数值要经 过训练确定。 在分割出的可能人脸区域中使用模板匹配法 进行二次分类很快得到最终的结果如图 5所示。 图 5 人脸检测结果 2.4 人脸模板训练方法 人脸模板的质量直接关系到相关器的质量，所 以采用两种模板训练方法，以便处理完成后对两种 方法进行对比。 第一种取名为区域训练法。 把人脸分为 4个区域：1）左眼和左眉毛。2） 右眼和右眉毛。3）嘴的区域。4）鼻子区域。利用 ORL人脸数据库中的 40个人，每个人 10种表情的 人脸图像。对每一副人脸图像分别截取这 4个区域 进行训练，得到这 4个区域的模板。 设左眼的眼球中心为 N1，右眼的眼球中心为 N2，鼻子的中点为 N3，嘴的中点为 N4，再根据以 下规则进行组合： （1）N1和 N2之间的距离等于两个眼睛的长度； （2）N1，N2和 N4组成倒置等边三角形； （3）作上述等边三角形的高，高的三分之二处 为鼻子的中点。 得到的模板如图 6所示。 第二种方法取名为整体训练法，步骤为： （1）去除每一副图像中不包含人脸的部分。 （2）以人脸中的眼睛和嘴为基准，调整人脸在 图像中的位置，争取使人脸位于图像中心。 （3）给人脸加上头发和肩膀。 （4）对图像进行低通滤波，并对图像进行重采 样，将图像统一成 32×32大小。 （5）对图像进行平均，得到人脸模板如图 7 所示。 3 仿真结果 为了测试算法的有效性，使用了 CMU 数据库 中 100张不同光照和背景的图片进行测试。在预处 理时，使用了不同大小的窗口进行局部直方图均衡 化。在 OAC 滤波时分别使用了区域训练法和整体 训练法产生的模板进行滤波，产生的结果如表 1所 示。 表 1 仿真结果 非人脸区域排除率 预处理窗口大小 区域训练法 整体训练法 5×5 85% 99% 10×10 78% 94% 15×15 76% 96% 图 6 区域训练法模板 图 7 整体训练法人脸模板 基于图像分割的快速人脸定位方法 电子科技/2006年 4月 15日 19 4 结 论 通过对该方法的测试，发现包含肩膀和头发 的人脸模板比只有眼睛鼻子和嘴的人脸模板效果 好。这种算法能有效地去除非人脸的部分，准确 率达 99％，错误率只有 1.3％。为后续的分类器 减少了计算量，大大加快了人脸定位的速度。今 后，考虑一种自适应阈值的图像分割算法将成为 研究的重点。 参考文献 1 Yang M H, Kriegman D, Ahuja N. Detecting Faces in Images: a Survey[J]. TPAMI, 2002, 24 (1): 34～58. 2 Yang G, Huang T S. Human Face Detection in Complex Background[J]. Pattern Recognition, 1994, 27(1): 53～63. 3 McKenna S, Gong S, Raja Y. Modelling Facial Colour and Identity with Gaussian Mixtures[J]. Pattern Recognition,1998, 31, (12): 1883～1892. 4 Sung K K, Poggio T. Example-Based Learning for View- Based Human Face Detection[J]. IEEE Trans. Pattern Analysis and Machine Intelligence,1998, 20(1): 39～51. 5 Rajagopalan A, Kumar K, Karlekar J, et al. Finding Faces inPhotographs[A]. Proc. Sixth IEEE Int’l Conf. Computer Vision[C]. [s.l.]: IEEE, 1998, 640～645. 6 Shdick B Z, Yaroslavsky L P. Accelerating Face Detection by Means of Image Segmentation[A]. Video/Image Processing and Multimedia Communications[C]. [s.l.]: 4th EURASIP- IEEE Region 8 Internatinal Symposiumon VIP Roncom, 2002, 35～38. 7 Miao J, Yin B, Wang K, et al. A Hierarchical Multiscale and Multiangle System for Human Face Detection in a Complex Background Using Gravity-Center Template[J]. Pattern Recognition, 1999, 32 (7): 1237～1248. 8 Elad M, Hel-Or Y, Keshet R. Rejection Based Classifier for Face Detection[J]. Pattern Recognition Letters, 2002, (23): 1459～1471. 9 Yaroslavsky L, Eden M. Fundamentals of Digital Optics [M]. Boston:Birkhauser, 1996. 10 Shdick B Z, Yaroslavsky L P. Object Localization Using Linear Adaptive Filters[M]. Stuttgart: Inter.Workshop on Vision, Modeling and Visualization, 2001, 11～18. 11 Hjelmas E, Low B K. Face Detection: a Survey[J]. Computer Vision and Image Understanding, 2001, (83): 236～274. 12 Schneiderman H, Kanade T. A Statistical Method for 3D Object Detection Applied to Faces and Cars[J]. IEEE Con$ on Computer Vision and Pattern Recognition, 2000, 1: 746～751. 13 Shaick B Z, Yaroslavsky L. Image Reduction for Object Recognition[A]. IEEE Region 8Int. Sym. on Video/Image Proc. and Multimedia Communications[C]. Zadar: IEEE, 2002, 333～338. （上接第 15 页） 6 结束语 提出了一种以 TMS320C6416 为核心处理器的 嵌入式实时编码系统实现，其最大优点在于系 统具有强大的数据处理能力和高效的内存管理方 式。具有 DSP/BIOS实时操作系统的支持，避免了 常规的 DSP的编程方式，具有多任务处理能力，实 时性能好、易于升级。由于采用 TI公司为 DSP芯 片提供了 CCS 集成开发环境(内嵌 DSP/BIOS)、评 估板(EVM)、相应的开发板(DSK)和丰富的开发包 (CSL、ImageLIB 等)，极大地缩短了系统的开发周 期。随着计算机技术、集成电路、通信技术的发展， 越来越多的应用和研究都与视频数据相关（例如方 兴未艾的数字水印技术等），对高性能视频采集系 统的研究将成为一个热点。 参考文献 1 Draft ITU-T Recommendation H.264(a.k.a"H.264”). Joint Video Team(JVT) of ISO/IEC MPEG and ITU-T VCEG, Document JVT-C167[S]. 2002. 2 聂 飞, 冯宗哲, 郭宝龙. 嵌入式视频系统的实现方法研 究[J]. 电视技术, 2003, (8): 46～49. 3 TVP5145PFP NTSC/PALSECAM/Component Digital Video Decoder With MacrovisionTM Detection Data Manual[Z]. Texas Instruments, 2002. 4 TMS320C6000 Imaging Developer’s Kit (IDK) User’s Guide[Z]. Texas Instruments Incorporated, 2001. 5 TMS320C6416-EP Fixed-Point Digital Signal Processors (Rev. K) [Z]. Texas Instruments Incorporated , 2004. 6 计文平, 郭宝龙. 数字视频压缩编码的国际标准[J]. 计 算机应用研究, 2003, (4): 1～5. 7 SN74V293 3.3-V CMOS FIRST-IN, FIRST-OUT MEMORIES [Z]. Texas Instruments, 2003. 8 TMS320C6000 Peripherals Overview Reference Guide[Z]. Texas Instruments Incorporated, 2004.